“数字浪潮:工业互联网先进技术”丛书--数据驱动的工业过程在线监测与故障诊断

第1章　概述 001
1.1　在线监测与故障诊断研究背景与意义 002
1.1.1　研究背景 002
1.1.2　研究意义 004
1.2　在线监测与故障诊断定义 004
1.2.1　什么是故障 004
1.2.2　过程监测定义 005
1.3　在线监测与故障诊断方法 007
1.3.1　基于知识的方法 007
1.3.2　基于解析模型的方法 008
1.3.3　基于数据驱动的方法 009
1.4　数据驱动在线监测与故障诊断发展现状 012
1.4.1　发展历史 012
1.4.2　研究现状及其存在的主要问题 013
参考文献 015

第2章　大规模多单元过程的分布式监测 021
2.1　大规模多单元过程定义和特性 022
2.2　大规模多单元过程监测研究现状 022
2.3　基于性能驱动的分块分布式监测方法 026
2.3.1　故障相关变量优选 026
2.3.2　故障相关变量优选分布式PCA故障检测 027
2.3.3　故障相关变量优选分布式PCA故障隔离 028
2.3.4　实验分析与结果讨论 030
2.4　基于变量相关关系分块的分布式监测方法 042
2.4.1　基于互信息与谱聚类分块的分布式监测方法 042
2.4.2　仿真案例及分析 046
2.5　基于正则化典型相关分析的分布式监测方法 058
2.5.1　相关基础知识 059
2.5.2　面向分布式故障检测的GA-正则化CCA 064
2.5.3　数值模拟案例和应用研究 068
参考文献 077

第3章　多模态工业过程在线监测 081
3.1　多模态过程定义和特性 082
3.2　多模态过程监测研究现状 082
3.2.1　多模型方法研究现状 083
3.2.2　单模型方法研究现状 085
3.3　离线模态划分与在线结果确定方法 086
3.3.1　增广矩阵和局部离群因子相结合的模态划分方法 090
3.3.2　时间窗口与递归局部离群因子相结合的模态划分方法 093
3.3.3　基于两步贝叶斯融合的模型整合策略 099
3.3.4　基于局部离群因子的模型选择策略 100
3.3.5　仿真案例及分析 101
3.4　多模态过程监测单模型方法 107
3.4.1　理论基础 108
3.4.2　时空局部保持协调方法 109
3.4.3　统计量及控制限 115
3.4.4　时空局部保持协调仿真案例及分析 116
参考文献 121

第4章　非线性过程在线监测 127
4.1　非线性过程定义与特征 128
4.2　基于并行PCA-KPCA的非线性过程监测方法 129
4.2.1　相关基础知识 129
4.2.2　基于P-PCA-KPCA的非线性过程监测 132
4.2.3　应用实例研究 136
4.3　基于局部加权典型相关分析的非线性过程监测方法 147
4.3.1　CCA故障检测基础知识 147
4.3.2　局部加权模型必要性分析 148
4.3.3　JITL-LWCCA过程监测 150
4.3.4　实验研究 152
4.4　基于独立-联合学习神经网络的非线性过程监测方法 164
4.4.1　SAE基础知识 165
4.4.2　动机和问题描述 166
4.4.3　基于IJL的监测 166
4.4.4　附注 169
4.4.5　实验研究与应用 171
参考文献 179

第5章　关键性能指标相关过程在线监测 185
5.1　关键性能指标监测意义 186
5.2　关键性能指标监测研究现状 187
5.2.1　关键性能指标预测 187
5.2.2　关键性能指标相关过程监测 188
5.3　多类型性能指标故障监测方法 191
5.3.1　关键性能指标加性故障监测方法 193
5.3.2　关键性能指标乘性故障监测方法 196
5.3.3　过程加性/乘性故障并行在线监测 198
5.3.4　关键性能指标加性/乘性故障监测仿真案例及分析 199
5.4　全流程过程关键性能指标监测方法 211
5.4.1　多子块独立元-主元回归方法 212
5.4.2　多子块独立元-主元回归方法仿真案例及分析 218
5.5　基于前处理的关键性能指标监测方法 227
5.5.1　问题描述 227
5.5.2　时序约束NPE方法描述 228
5.5.3　时序信息约束嵌入方法描述 231
5.5.4　指标相关特征提取方法 236
5.5.5　指标监测策略 238
5.5.6　基于前处理的关键性能指标监测方法实验案例分析 239
5.6　基于后处理的关键性能指标监测方法 248
5.6.1　问题描述 248
5.6.2　增强典型成分分析 249
5.6.3　算法分析 252
5.6.4　指标监测策略 254
5.6.5　基于后处理的指标相关过程监测方法实验案例分析 256
参考文献 269

第6章　动态时变工业工程在线监测 275
6.1　动态时变过程研究背景及现状 276
6.2　局部离群概率和局部离群因子 278
6.2.1　局部离群概率算法 278
6.2.2　局部离群因子算法 279
6.3　基于MWLOF和MWLoOP的故障检测算法 280
6.3.1　基于MWLOF的在线模型更新 281
6.3.2　基于MWLoOP的在线模型更新 284
6.4　基于MWLOF和MWLoOP的时变多工况过程故障检测 285
6.4.1　基于MWLOF算法的故障检测流程 286
6.4.2　基于MWLoOP算法的故障检测流程 287
6.5　仿真案例及分析 289
6.5.1　数值仿真应用研究 289
6.5.2　CSTR过程仿真应用研究 297
参考文献 310

第7章　非稳态间歇过程在线监测 313
7.1　非稳态间歇过程的特点与研究现状 314
7.2　基于时间片CCA的间歇过程关键单元监测方法 316
7.2.1　对于间歇过程基于时间片CCA的故障检测 316
7.2.2　时间片CCA故障检测方法的特点 319
7.2.3　应用案例 319
参考文献 328

第8章　故障溯源诊断 331
8.1　故障溯源诊断研究背景和意义 332
8.2　故障溯源诊断方法研究现状 333
8.3　基于贡献图的故障溯源诊断方法研究 334
8.3.1　基于主成分分析的故障检测 334
8.3.2　完全分解贡献图法 335
8.3.3　部分分解贡献图法 336
8.3.4　基于重构的贡献图法 337
8.3.5　仿真案例分析 338
8.4　基于传播演化路径的故障溯源诊断方法研究 342
8.4.1　贝叶斯网络 342
8.4.2　格兰杰因果关系检验 346
8.4.3　传递熵 349
8.4.4　仿真案例及分析 353
8.5　基于多块卷积变分信息瓶颈的故障诊断方法研究 364
8.5.1　概述 364
8.5.2　基于过程机理的变量分块方法 365
8.5.3　并行多块1-D CNN建模策略 366
8.5.4　变分信息瓶颈模型 367
8.5.5　基于MBCVIB的故障诊断方法 368
8.5.6　仿真实验与分析 370
8.6　针对大规模工业过程故障诊断的多块自适应卷积核神经网络 375
8.6.1　概述 375
8.6.2　过程分解 377
8.6.3　过程预处理 377
8.6.4　特征提取 377
8.6.5　特征加权 378
8.6.6　模型训练和故障诊断 379
8.6.7　仿真实验及分析 380
参考文献 387